Deep learning 验证准确度是否总是可能与培训准确度一样高？
我有一个非常小的数据集（40个训练示例、10个验证示例、120个类），通过Keras中非常简单的模型（仅限batchnorm、flatten和dense layers），我获得了非常高的精确度 我的训练准确率为94-95%，验证准确率为76-78%。我知道这太过分了，我试过一些方法。数据不是图像，因此我无法扩充数据。我也无法添加数据，因为它是特定类型。我使用了两个0.5级的退出层，架构非常简单，所以我认为我不能降低架构的复杂性。如果有人喜欢，我可以粘贴模型 我的问题是：是否曾经有过这样的情况：验证精度不能像训练精度那样高？是否有基于数据集大小的限制？或者验证精度总是可能与训练精度相匹配，而网络只需要正确的参数Deep learning 验证准确度是否总是可能与培训准确度一样高？,deep-learning,keras,Deep Learning,Keras,我有一个非常小的数据集（40个训练示例、10个验证示例、120个类），通过Keras中非常简单的模型（仅限batchnorm、flatten和dense layers），我获得了非常高的精确度 我的训练准确率为94-95%，验证准确率为76-78%。我知道这太过分了，我试过一些方法。数据不是图像，因此我无法扩充数据。我也无法添加数据，因为它是特定类型。我使用了两个0.5级的退出层，架构非常简单，所以我认为我不能降低架构的复杂性。如果有人喜欢，我可以粘贴模型 我的问题是：是否曾经有过这样的情况：验
非常感谢你那当然太合适了 过度拟合不仅仅是因为“太强大的模型”，而且还有很多原因，因为没有足够的数据，我确信这是你的情况
120节课40个例子？听起来好像有很多数据丢失了 投票结束后，你最好在stats.stackexchange或数据科学网站上提问。回答你的问题，是的，这是可能的，但可能性很小。例如，在测试集是测试集的精确副本的场景中。更一般地说，如果您确实发现了真正的数据生成过程，那么您应该得到“相同”的培训和验证准确性。谢谢您，Alex。我会把它贴在那里。谢谢你的回复。